脑极体伟大前程与技术难关：量子机器学习该如何走进现实？( 二 ) 在我们描述21世纪刚刚过去的第二个十年

这样，量子计算的叠加态以及纠缠态形成的叠加坍缩构成的高并行计算能力，就为人工智能特别是机器学习所需要的数据处理和算法训练提供了一种新的可能。
量子计算和人工智能也在发生一种相互“纠缠”又密不可分的关系，但这并不意味着量子计算加上机器学习，就可以立刻碰撞出显著的成果。
量子机器学习仍在“襁褓”之初
量子机器学习（QuantumML）是一个量子计算和机器学习交叉的的跨学科技术领域，二者的结合可以产生一种互利互惠的结果。
一方面，量子计算最主要的目标之一，就是借助于量子特性开发高性能的量子机器学习算法，从而加快或拓宽人工智能的应用场景。另一方面，量子计算在大规模应用落地之前还有许多非常棘手的科学与工程技术难题有待解决，这需要大量的先进计算工具，特别是AI技术帮助突破量子计算研发瓶颈。

文章图片
在机器学习和量子计算按照算法和数据二维划分下，可以得到四种不同分类——C-C、Q-C、C-Q和Q-Q 。 C-C就是传统的机器学习；Q-Q属于量子计算的开放域；而C-Q主要就是通过机器学习算法来解决量子物理的问题，比如对量子系统的控制对象建模，对扰动、噪声等参数特征的辨识，推动量子计算发展。
而Q-C就是利用量子理论改进机器学习，推动机器学习算法的量子化。一种方法是通过量子计算把原先经典计算中不可计算的问题变为可计算的,从而大幅降低机器学习算法的计算复杂度；一种方法是通过量子计算并行加速的优势与机器学习的算法深度结合，催生出全新的量子机器学习算法模型。
传统的神经网络只能使用单个网络来存储许多算法模式；而量子神经网络，因为量子叠加效应带来的并行性，可以使用许多网络来存储许多算法模式。不过，量子神经网络的实现并不容易，因为最终这些算法想要真正发挥作用则需量子计算机（处理器）的支持。
据报道， 2018年，意大利帕维亚大学的研究团队在只有4个量子比特的量子计算机上实现了世界上第一个单层神经网络。

文章图片
（具有4个量子比特的人工神经元的量子电路）
这一模型能够准确地模拟单个神经元的行为，像这样的单层模型能够识别简单的模式。然而，它还没有扩展到由多层神经元组成的深度神经网络。不过，这至少是在量子硬件上有效训练量子神经网络而迈出的第一步。
与传统神经网络相比，量子神经网络具有很多优势，比如，指数级记忆容量、更快的学习和处理速度、更小的规模以及更高的稳定性和可靠性等。
尽管量子硬件的进度稍显缓慢，但算法模型理论可以先行。谷歌的QuantumAI团队就在当时已经预先构建出一个可以在量子计算机上训练的深度神经网络的理论模型。
而到了今年3月，谷歌又宣布开源一款用于训练量子模型的机器学习库TensorFlowQuantum（简称TFQ）。 TFQ包含了特定量子计算所需的基本结构，例如量子比特、门、电路和测量运算符。用户指定的量子计算然后可以在模拟或真实硬件上执行。
目前，量子机器学习的发展仍然处于起步阶段，当前的一些应用上面可以做到使用量子神经网络来生成一些演奏出全新声音的新乐器等。
未来量子机器学习的应用前景却更加令人兴奋，比如拥有指数级存储和检索能力的量子神经网络可以模拟人类大脑或者模拟黑洞，能够帮助人类真正探索世界最深邃的本质。这也许才是量子机器学习和量子计算发挥终极价值的场域。
量子机器学习的成长“难关”
量子计算本身就是一项复杂技术，而量子机器学习这一交叉技术的研发难度自然又进一步提高。量子机器学习算法的成熟自然要得益于软硬件两方面的同时提升，而在这两方现在都仍然还存在一些难关要闯过。

脑极体 伟大前程与技术难关：量子机器学习该如何走进现实？( 二 )

脑极体伟大前程与技术难关：量子机器学习该如何走进现实？( 二 )